因果疾病管理：糖尿病的可解釋風險建模與介入策略

賦能臨床醫師與一般大眾，提供可行的洞察

糖尿病是全球增長最快的健康危機之一，在美國已有超過 3800 萬人受影響，另有 9760 萬人因為前期糖尿病而處於高風險狀態 [1-3]。隨著糖尿病的全球負擔日益加重，醫療提供者迫切需要更深入、可行的洞察來改善預防與治療策略。

這正是 Karma360 發揮作用的地方：這是一個結合因果發現(causal discovery)與介入優化的平台，能夠幫助臨床醫師與一般民眾運用數據驅動的策略，減輕糖尿病風險。

挑戰：理解糖尿病的複雜性

糖尿病是一種多重成因的疾病，由遺傳、生活習慣與環境因素共同作用的高維綜合網絡所驅動。傳統分析方法往往無法理清這些複雜關係，使得找出最具影響力的介入點變得困難。

Karma360 的先進因果發現(causal discovery)引擎正是為了解決這項挑戰，它幫助臨床人員揭露潛藏的因果連結，並發現可採取行動的機會，達成早期介入與個人化照護。

解方：Karma360 的因果發現(Causal Discovery)工作流程

Karma360的流程根植於科學嚴謹性與領域專業知識，結合機器學習與因果推論，流程如下：

1. 資料處理: 清理並標準化資料集，移除缺失值。本案例使用了 260 筆樣本（130 陽性、130 陰性），其中 75% 用於訓練。

   
   

2. 初步因果發現: 平台透過頂尖的推論模型找出變數間的因果關係。

   
   

3. 專家知識修正: 利用先前研究與專家知識進行微調，確保邏輯一致且可解釋（例如：確保如年齡與種族等變數位於圖的上游，沒有進入邊）。

   
   

4. 模型再推論: Karma360會迭代優化因果圖，提供一個穩健且可解釋的模型。詳見圖一（Karma360 所建構之因果圖）。

圖一: Karma360 所建構之因果圖

關鍵發現

Karma360 識別出三項最主要的糖尿病風險因子：

·      懷孕次數 (0.225)

·       BMI (0.165)

·       血糖值(Glucose) (0.157)

這些發現與既有的醫學研究一致 [4]，進一步強化了 Karma360 的可信度。

從洞察到行動：真實情境中的因果預測

除了發現因果關係，Karma360 還能進行因果預測，模擬各種現實情境中的介入效果。當模型應用在未見過的測試樣本（33 陽性、33 陰性）時，即便資料量有限，仍展現出良好的預測能力。

可行的模擬實驗

平台進行了多種介入情境測試，目標是降低風險因子。以血糖值（Glucose）為主要目標變數，模擬分析了其上游變數（如 BMI、胰島素 與皮膚厚度SkinThickness）的變化如何影響糖尿病結果。詳見圖二（糖尿病子因果圖示意圖）。

圖二. 糖尿病子因果圖示意圖

測試情境：

1. 醫療手段：透過藥物降低胰島素水平

2. 生活方式手段：透過運動與營養計畫降低 BMI 與皮脂厚度

3. 整合手段：結合醫療與生活方式策略

4. 擴展手段：加入血壓控制措施

結果

最全面的介入策略（針對BMI、胰島素 與皮膚厚度SkinThickness）成功在 97% 的病例中（32/33 位患者）降低了糖尿病風險。 值得注意的是，即使是純粹依賴生活方式的介入，也達成了 82% 的改善率。詳見圖三（實證成果）。

圖三. 33 個樣本的結果值減少

結論：用可解釋的因果 AI 轉變疾病管理模式

Karma360 賦予醫療專業人員和患者具備可解釋、數據驅動的途徑來對抗糖尿病。透過全貌性的視角掌握不同因素如何交互影響疾病風險，臨床醫師與患者能共同決定最適合每位患者需求的介入策略，從而提高依從性並改善治療結果。

參考資料:

1. CDC Diabetes Data: https://www.cdc.gov/diabetes/php/data-research/index.html

2. Diabetes Research: https://doi.org/10.1016/j.diabres.2021.109133

3. Kaggle Dataset: https://www.kaggle.com/datasets/akshaydattatraykhare/diabetes-dataset

4. Maternal BMI Research: https://doi.org/10.1186/s12916-023-03167-0